图像超分辨率重建是一种通过算法把低分辨率图像放大到高分辨率图像的技术。该技术不仅可以提高图像的视觉效果、满足人们对高清画质的需求,而且有利于后期的图像处理任务。伴随着深度学习的发展,基于卷积神经网络的超分辨率重建算法如雨后春笋般涌现。传统的重建算法虽然充分的利用了相关理论知识,但是重建的图像效果很差。基于深度学习的超分辨率重建算法从庞大的数据中学习特征,有利于提取高频信息,其重建的效果远远超过了传统的算法。本文在基于条件生成对抗网络的图像超分辨率重建方法上做出了探索性和创新性的研究,并取得了以下成果:虽然基于生成对抗网络的图像超分辨率方法具有很好的感知效果,但重建图像的高频细节和真实图像仍有很大的差异,导致峰值信噪比值很低。为此,提出了基于简化残差网络的残差学习条件生成对抗图像超分算法。首先,算法包括生成器和判别器。在判别网络中加入原始图像作为条件输入,这可以给判别模型一个引导,让其有效的区分原始真实图像和超分辨率图像,提高判别精度。另外,在生成器网络中,使用深度残差学习的方法来解决随着深度的增加而细节信息丢失的问题。最后,在感知损失函数中加入全变差损失函数来不断的优化网络,生成高质量的图像。与SRGAN算法相比,使用改进后的算法生成的超分辨率图像不仅没有伪影、马赛克,而且在PSNR和SSIM值分别提高了2.5d B和5.3%。实验表明,本文算法在视觉感知和评估指标上都有良好的表现。为了提高第一个工作中生成器网络的性能,全面利用网络前后文信息、充分学习每个卷积层信息、提高特征学习的能力,提出基于密集连接残差网络的残差学习条件生成对抗图像超分辨率算法。把密集连接和残差网络相融合,设计了一个密集残差模块。为了减少网络训练的参数,把组卷积应用到密集残差模块,这样使得密集残差模块变轻。此外,上采样模块通过参数共享的方式,即对前端的浅层特征图上采样。这在不增加参数的情况下为重建图像提供更多的低频信息和高频信息。实验表明,该算法的重建图像细节信息丰富,具有良好的视觉效果。